Optics and Precision Engineering, Volume. 30, Issue 17, 2119(2022)
Neural architecture search algorithm based on voting scheme
Figures & Tables(15)
Fig. 1. Maurice Kendall coefficient in search and evaluation phases
Table 1. Comparison of recognition accuracy of different algorithms on ModelNet40
View tableView in ArticleTable 1. Comparison of recognition accuracy of different algorithms on ModelNet40
网络架构 分类准确率OA （%） 参数（M） GPU 天数（GPU-days） KPConv［ 22 ］92.9 14.3 人工设计 A-CNN［ 23 ］92.6 2.05 人工设计 Point2Seq［ 24 ］92.6 2.67 人工设计 DGCNN［ 25 ］92.2 1.48 人工设计 Grid-GCN［ 26 ］93.1 8.2 人工设计 3DmFVNet［ 27 ］91.6 0.6 人工设计 Geo-CNN［ 28 ］93.4 12.07 人工设计 PAConv［ 29 ］93.6 9.07 人工设计 GS-Net［ 30 ］93.3 6.52 人工设计 SGAS［ 18 ］92.9 8.98 0.19 DARTS［ 6 ］91.8 12.36 0.36 Noisy-DARTS［ 21 ］92.9 8.48 0.27 NAS-VS（最高） 93.9 9.02 0.24 NAS-VS（平均） 93.5 8.81 0.26
Table 2. Classification effect of NAS-VS on ModelNet40
View tableView in ArticleTable 2. Classification effect of NAS-VS on ModelNet40
架构名称 生成架构类型 分类准确率OA（%） NAS-VS_1 Genotype（normal=［（'mr_conv'，0）， （'mr_conv'，1）， （'mr_conv'，1）， （'conv_1×1'，2），
（'skip_connect'，0）， （'gin'，1）］， normal_concat = range （1， 5））
93.7 NAS-VS_2 Genotype（normal=［（'edge_conv'，0）， （'skip_connect'，1）， （'conv_1×1'， 0）， （'conv_1×1'，2），
（'skip_connect'，1）， （'gat'，2）］， normal_concat=range （1， 5））
93.0 NAS-VS_3 Genotype（normal=［（'edge_conv'，0）， （'edge_conv'，1）， （'skip_connect'，1）， （'gin'，2），
（'mr_conv'，1）， （'edge_conv'，2）］， normal_concat=range （1， 5））
93.7 NAS-VS_4 Genotype（normal=［（'edge_conv'，0）， （'edge_conv'，1）， （'skip_connect'，1）， （'gat'，2），
（'conv_1×1'，0）， （'gat'，3）］， normal_concat=range （1， 5））
93.4 NAS-VS_5 Genotype（normal=［（'conv_1×1'，0）， （'mr_conv'，1）， （'edge_conv'，0），（'mr_conv'，1），
（'conv_1×1'，0），（'gat'，1）］， normal_concat=range （1， 5））
93.9
Table 3. Weighted voting selection process for optimal Cell structure
View tableView in ArticleTable 3. Weighted voting selection process for optimal Cell structure
节点对 可微架构搜索策略 噪声策略 组稀疏正则化策略 加权投票 C_｛k-1｝-1 mr_conv S=0.186 mr_conv S=0.154 mr_conv S=0.173 mr_conv C_｛k-1｝-2 mr_conv S=0.189
semi_gcn S=0.190
gat S=0.174 mr_conv S=0.131 mr_conv C_｛k-1｝-3 skip_connect S=0.240 gat S=0.153 gat S=0.145 gat C_｛k-2｝-1 sage S=0.163 conv_1×1 S=0.179 semi_gcn S=0.143 conv_1×1 C_｛k-2｝-2 skip_connect S=0.216 edge_conv S=0.148
mr_conv S=0.147
edge_conv S=0.151 edge_conv C_｛k-2｝-3 semi_gcn S=0.128 mr_conv S=0.157 conv_1×1 S=0.164 conv_1×1
Table 4. Influence of different sampling methods
View tableView in ArticleTable 4. Influence of different sampling methods
采样方式 分类准确率OA（%） 均匀采样 92.1 性能估计器 93.9
Table 5. Impact of skip connections on search space
View tableView in ArticleTable 5. Impact of skip connections on search space
搜索空间 分类准确率OA（%） Ω1 93.9 Ω2 92.6
Table 6. Comparison of weighted voting experiments
View tableView in ArticleTable 6. Comparison of weighted voting experiments
可微架构搜索策略 噪声策略 组稀疏正则化策略 分类准确率OA（%） √ √ × 93.1 √ × √ 92.5 × √ √ 93.3 √ √ √ 93.9
Tools
Get Citation
Copy Citation Text
Jun YANG, Jingfa ZHANG. Neural architecture search algorithm based on voting scheme[J]. Optics and Precision Engineering, 2022, 30(17): 2119
Paper Information
Category: Information Sciences
Received: Feb. 15, 2022
Accepted: --
Published Online: Oct. 20, 2022
The Author Email: Jun YANG (yangj@mail.lzjtu.cn)
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20